Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 348~356

348

APLIKASI PREDIKSI BANJIR METODE FUZZY LOGIC, HASIL ALGORITMA SPADE DAN ALGORITMA PSO Maxsi Ary AMIK BSI Bandung e-mail: [email protected] Abstrak Pembahasan mengenai prediksi banjir dengan beberapa metode telah dilakukan oleh beberapa penulis. Diantaranya dengan metode fuzzy logic, perhitungan algoritma particle swarm optimization (PSO), perhitungan algoritma SPADE, dan lain sebagainya. Tujuan dari penulisan ini adalah membuat aplikasi prediksi banjir dengan metode fuzzy logic, alternatif hasil algoritma SPADE dan algoritma PSO. Early Warning System (EWS) pada algoritma SPADE diperlukan untuk informasi awal sistem peringatan dini banjir. Sistem peringatan akan aktif atau menyala jika parameter data yang menjadi data input memenuhi aturan (rule). Algoritma PSO digunakan untuk menyelesaikan sistem persamaan nonlinear prediksi banjir. Program aplikasi menggunakan Microsoft Visual Basic 6.0. Proses input data sebagai informasi prediksi banjir meliputi suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir dan indikator untuk EWS (Early Warning System) dengan metode fuzzy logic hasil algoritma SPADE dan algoritma PSO. Keywords: Algoritma SPADE, Algoritma PSO, Fuzzy Logic, Early Warning System, Persamaan Nonlinear, Aplikasi Prediksi Banjir.

1. Pendahuluan Banjir merupakan kata yang sering didengar pada musim hujan dengan intensitas yang sering dan lebat (Ary, Aplikasi Prediksi Banjir Dengan Algoritma SPADE, 2017). Daerah yang menjadi langganan banjir pada musim penghujan ada disekitar arus sungai. Terkadang daerah yang jauh dari sungai pun terkena banjir, jika intensitas curah hujan yang terjadi cukup sering dan lebat serta sungai tidak sanggup menampung banyaknya air hujan. Banjir yang melanda Kabupaten Bandung makin meluas akibat curah hujan yang tinggi dan kiriman air dari daerah-daerah lainnya. Banjir melanda Kecamatan Baleendah, Kecamatan Dayeuhkolot, Kecamatan Bojongsoang, Kecamatan Rancaekek, dan Kecamatan Majalaya (Sarnapi-PikiranRakyat, 2016). Setiap tahun daerah tersebut menjadi langganan banjir, dan warga setempat tetap bertahan dengan alasan tidak ada pilihan lain untuk meninggalkan lokasi. Salah satu penanggulangan atau antisipasi banjir yang meluas di Kota Jakarta adalah

menggunakan Early Warning System (EWS) (Irw/Nrl-DetikNews, 2011). Penggunaan sistem EWS yang canggih di kota Jakarta sudah tidak digunakan lagi, dengan alasan yang paling utama adalah bukan sistem yang canggih melainkan peringatan dini dan mitigasi. Menurut Haris Syahbuddin dan Tri Nandar Wihendar (Balai Penelitian Agroklimat dan Hidrologi, 2008) anomali cuaca yang terjadi saat ini menyebabkan prediksi hujan semakin sulit untuk dilakukan dan hal ini mengakibatkan analisa serta memprediksi bencana banjir yang diakibatkan curah hujan yang tinggi kurang cepat untuk diprediksi. Informasi peringatan dini yang cepat dan mitigasi penduduk untuk mengungsi sementara bagi masyarakat sangat diperlukan terutama pada daerah yang dilanda banjir akibat curah hujan dengan intensitas cukup sering dan lebat. Diperlukan suatu cara untuk melihat pola data dari anomali kondisi cuaca yang dapat digunakan untuk menentukan dan memprediksi banjir.

Diterima 10 Maret 2017; Revisi 12 Maret 2017; Disetujui 15 Maet 2017

ISBN: 978-602-61242-0-3 Beberapa alternatif untuk prediksi banjir dapat digunakan algoritma Particle Swarm Optimization (PSO) (Rosita, Purwananto, & Soelaiman, 2012), dan penentuan pola urutan data menggunakan kelas yang sama mengenai anomali cuaca dengan algoritma SPADE (Sequential Pattern Discovery Using Equivalence Classes) (Suwarningsih & Suryawati, 2012). Algoritma PSO dapat menyelesaikan sistem persamaan nonlinear (Rosita dkk, 2012), selain itu PSO merupakan salah satu metode optimisasi yang terbukti efektif digunakan untuk memecahkan masalah optimisasi multidimensi dan multiparameter pada pembelajaran machine learning (Brits, 2009). Sedangkan algoritma SPADE adalah algortima untuk penemuan secara cepat dari pola data yang berurutan (Mohammed, 2001). Pada Algoritma PSO, pencarian solusi dilakukan oleh suatu populasi yang terdiri dari beberapa partikel. Populasi dibangkitkan secara random dengan batasan nilai terkecil dan terbesar. Setiap partikel merepresentasikan posisi atau solusi dari permasalahan yang dihadapi. Setiap partikel melakukan pencarian solusi yang optimal dengan melintasi ruang pencarian (search space). Hal ini dilakukan dengan cara setiap partikel melakukan penyesuaian terhadap posisi teraik dari partikel tersebut (local best) dan penyesuaian terhadap posisi partikel terbaik dari seluruh kawanan (global best) selama melintasi ruang pencarian. Hasil pengolahan algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk memprediksi banjir. Metode fuzzy logic Menurut (Kusumadewi & Purnomo, 2010) mudah untuk dimengerti. Metode fuzzy logic menggunakan dasar teori himpunan, maka konsep matematika yang mendasari penalaran fuzzy tersebut cukup mudah untuk dimengerti secara umum. Metode fuzzy logic sangat fleksibel, artinya mampu beradaptasi dengan perubahan-perubahan, dan ketidakpastian yang menyertai permasalahan. Fuzzy logic adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, mempunyai nilai kontinyu dan fuzzy logic dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran (Kusumadewi S. , 2002). Untuk menghadapi banyaknya informasi yang tidak tepat, diperlukan gagasan fuzzy KNiST, 30 Maret 2017

logic dalam penentuan prediksi (Ary, Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree, 2013). Termasuk dalam prediksi banjir dengan beberapa informasi berupa variabel fuzzy. 2. Metode Penelitian Metode yang dilakukan untuk penelitian ini adalah fuzzy logic. Untuk menentukan pola data yaitu dengan algoritma SPADE, dan algoritma PSO. Data yang akan digunakan untuk analisa dari hasil pemantauan BMKG (Badan Meteorologi, Klimatologi, dan Geofisika). Hasil pengolahan Algoritma SPADE dan Algoritma PSO dilanjutkan dengan metode fuzzy logic untuk menentukan prediksi banjir. Sumber data yang digunakan adalah data sekunder dari BMKG kota Bandung meliputi data suhu, kelembaban, kecepatan angin, curah hujan, lamanya hujan, dan nilai awal muka air bulan Januari sampai Desember 2009. Untuk mempermudah masyarakat memprediksi banjir, dibuat aplikasi prediksi banjir. Berikut model pengembangan sistem sebagai berikut (Gambar 1):

Gambar 1. Model Pengembangan Sistem 3. Pembahasan 3.1. Algoritma SPADE SPADE (Sequential Pattern Discovery Using Equivalence Classes) atau lebih dikenal dengan nama algortima penemuan

349

ISBN: 978-602-61242-0-3 pola urutan data menggunakan kelas yang sama, merupakan sebuah algoritma baru untuk penemuan secara cepat dari pola data yang berurutan. Kelas adalah kumpulan objek yang memiliki atribut atau parameter yang sama, dan frekuensi adalah jumlah kemunculan data yang memiliki nilai yang sama. Misalkan I  {i1, i2 , , in } merupakan himpunan objek yang terdiri dari alphabet. Sedangkan sebuah kejadian (event) adalah kumpulan dari aksi yang memiliki perintah untuk dilakukan. Urutan (sequence) adalah daftar daftar dari kejadian. Sebuah kejadian dinotasikan sebagai (i1, i2 , , ik ) dimana i j adalah objek. Jika ada sebuah a yang merupakan urutan dari objek, maka dapat dinotasikan sebagai berikut: dimana adalah (a1  a2   aq ) an sebuah kejadian. Sebuah urutan dengan k objek dinotasikan dengan k   j ai , maka ini berarti adalah k-urutan (k-sequance). Proses pembacaan pola menjadi informasi digunakan untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data inputan. Berikut adalah pola

Suhu ( ) 23 22,5 21 22,7 22,9 21,5 21,6 22,8 22,4 22,6 20 21,2 20,5 23,1 21,8 22,7

Kelembaban 94 95 95 93 94 96 96 97 94 96 94 95 94 95 97 94

IF Suhu <= 23 AND Kelembaban >=94 AND kecepatan_Angin >=4 AND Curah_Hujan >=35 AND Lamanya_Hujan >=60 THEN "system alarm peringatan dini Nyala" ELSE "system alarm peringatan dini Mati" Aturan yang dihasilkan dari proses pembacaan pola menjadi informasi ini akan digunakan dengan menggunakan data uji. Data yang digunakan untuk pengujian ini adalah data cuaca dari bulan Januari – Desember 2009 diambil secara acak (random) yang digenerasi dengan metode random number variate generator. Hasil pembahasan pola data menjadi informasi untuk menentukan aturan (rule) yang akan dijadikan sebagai proses seleksi terhadap data masukan (input). Pola optimal yang merupakan hasil dari proses pemangkasan pola adalah sebagai berikut (Tabel 1):

Tabel 1. Pengujian Aturan (Rule) Arah Kec Angin Curah Hujan Lamanya Hujan Angin (knot) (mm) (menit) W 5 35,5 61 W 5 36 120 W 6 39 98 W 6 40,2 11 W 7 45,1 85 W 4 39,4 96 W 5 40,3 100 W 5 45,2 102 W 6 36 15 W 7 39 145 W 7 40,2 97 W 7 45,5 87 W 6 39,7 5 W 6 40,3 113 W 7 40,3 87 W 7 45,4 85 Sumber: (Suwarningsih & Suryawati, 2012)

Tabel 1 hasil pengujian aturan (rule) terhadap data klimatologi menunjukan persentase sebesar 81,25% system EWS menyala, ini terjadi karena data memenuhi

KNiST, 30 Maret 2017

informasi tersebut dalam bentuk algoritma, yaitu:

Hasil Uji (EWS) Nyala Nyala Nyala Mati Nyala Nyala Nyala Nyala Mati Nyala Nyala Nyala Mati Nyala Nyala Nyala

aturan (rule), sedangkan sisanya sebesar 18,75% tidak menyala (mati) dikarenakan terdapat salah satu parameter/indikator data tidak terpenuhi. Indikator tersebut

350

ISBN: 978-602-61242-0-3 adalah lamanya hujan masih dibawah 60 menit. 3.2. Algoritma PSO Algoritma Particle Swarm Optimization (PSO) merupakan teknik optimisasi berbasis populasi. Algoritma PSO memiliki sifat seperti kawanan burung. Jika satu partikel atau seekor burung menemukan jalan yang tepat atau pendek menuju ke sumber makanan, sisa kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meskipun lokasi mereka jauh dari kelompok tersebut (Santoso & Willy, 2011). Algoritma PSO meliputi langkah-langkah sebagai berikut: 1. Bangkitkan posisi awal sejumlah partikel sekaligus kecepatan awalnya secara random 2. Evaluasi fitness dari masing-masing partikel berdasarkan posisinya 3. Tentukan partikel dengan fitness terbaik dan tetapkan sebagai Gbest. Untuk

setiap partikel Pbest awal akan sama dengan posisi awal. Ulangi langkah berikut hingga stopping criteria terpenuhi: 1. Menggunakan Pbest dan Gbest yang ada, perbaharui kecepatan setiap partikel menggunakan persamaan 1. Lalu dengan kecepatan baru yang didapat, perbarui posisi setiap partikel menggunakan persamaan 2. 2. Evaluasi fitness dari setiap partikel 3. Tentukan partikel dengan fitness terbaik dan tetapkan sebagai Gbest. Untuk setiap partikel tentukan Pbest dengan membandingkan posisi sekarang dengan Pbest dari iterasi sebelumnya. 4. Cek stopping criteria, jika terpenuhi berhenti, jika tidak kembali ke 1. Fuzzy logic hasil pengolahan data dengan menggunakan persamaan algoritma PSO dengan memasukkan variabel curah hujan, lama hujan, dan debit sungai disajikan pada tabel 2 berikut.

Tabel 2. Fuzzy Logic Hasil Pengolahan Algoritma PSO Var. X

Nilai awal Curah Hujan (X)

Posisi Partikel (X) dengan PSO

Var. V

Nilai awal Muka Air (V)

Kecepatan partikel (V) dengan PSO

x141

25

51,710

v141

1.82

662,15

x175

10

71,925

v175

1.36

534,65

x226

11

99,397

v226

2.54

55,.35

x277

15

128,820

v277

1.75

515,75

x278

11

129,330

v278

1.94

510,95

x281

39

130,880

v281

2.82

525,95

x286

20

133,380

v286

3.08

513,05

x291

37

135,870

v291

2.74

461,75

x292

15

136,310

v292

3.03

438,35

x295

0

137,580

v295

3.15

402,65

x314

25

145,770

v314

3.38

465,95

x347

24

160,500

v347

1.78

469,85

Sumber: (Mauliana, 2016) Berdasarkan tabel 2 maka dapat ditentukan nilai minimum untuk curah hujan dan nilai minimum untuk muka air banjir setelah diolah oleh algoritma Particle Swarm Optimization, untuk nilai minimum curah

KNiST, 30 Maret 2017

hujan banjir adalah 51,710 dan untuk nilai minimum muka air banjir adalah 402,65.

351

ISBN: 978-602-61242-0-3 Curah Hujan Gerimis  nilai minimum curah hujan banjir adalah 51,710 mm  nilai minimum muka air banjir 402,65 mm Curah Hujan Sedang  nilai minimum curah hujan banjir adalah 130,880 mm  nilai minimum muka air banjir 461,75 mm

3.3. Aplikasi Prediksi Banjir Prosedur input prediksi banjir setiap pengguna (user) dapat menginputkan data secara manual suhu, kelembaban, kecepatan angin, curah hujan, dan lamanya hujan. Input data tersebut sesuaikan dengan satuan yang diberikan. Klik/pilih proses hitung untuk mengetahui prediksi banjir/tidak banjir disertai indikator EWS (Early Warning System) menyala/mati. Berikut ditampilkan flowchart menu utama aplikasi prediksi banjir (Gambar 2).

Mulai

Pilih Menu: 1. Algoritma SPADE 2. Algoritma PSO 3. Tutup

Pilih

Tampil 1. Form Algoritma SPADE 2. Form Algoritma PSO

Selesai

Gambar 2. Flowchart Menu Utama Program aplikasi prediksi banjir untuk menu utama menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() Form1.Show End Sub Private Sub Command2_Click() Form2.Show End Sub Private Sub Command3_Click() End End Sub Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 3). Antar muka aplikasi ini terdiri dari form pilih algoritma dan tutup.

Mulai

Pilih Menu: 1. Input Data 2. Hitung 3. Hapus

Input Data

Input: 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan

Hitung

Tampil: 1. Indikator 2. Prediksi

Hapus

Hapus: 1. Suhu 2. Kelembaban 3. Kec Angin 4. Curah Hujan 5. Lamanya Hujan

Selesai

Gambar 3. Flowcharte Algoritma SPADE

KNiST, 30 Maret 2017

352

ISBN: 978-602-61242-0-3

Program aplikasi prediksi banjir untuk algoritma SPADE menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Cmd_Hitung() If txt_suhu <= 23 And txt_lembab >= 94 And txt_KecAngin >= 4 And txt_CurahHujan >= 35 And txt_LamaHujan >= 60 Then Label2.Caption = "EWS Nyala" Label10.Caption = "Prediksi Banjir" Else Label2.Caption = "EWS Mati" Label10.Caption = "Prediksi Tidak Banjir" End If End Sub Private Sub Cmd-Hapus_Click() txt_suhu.Text = "" txt_lembab = "" txt_KecAngin = "" txt_CurahHujan = "" txt_LamaHujan = "" txt_suhu.SetFocus End Sub

Mulai

Pilih Menu: 1. Input Data 2. Hitung 3. Hapus

Input Data

Input: 1. Curah Hujan 2. Muka Air

Hitung

Tampil Prediksi

Hapus

Hapus 1. Curah Hujan 2. Muka Air

Selesai

Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 4). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak disertai indikator EWS.

Gambar 5. Flowchart Algoritma PSO Program aplikasi prediksi banjir untuk algoritma PSO menggunakan MS Visual Basic 6.0 adalah sebagai berikut: Private Sub Command1_Click() If txt_CurahHujan >= 130.88 And txt_MukaAir >= 461.75 Then Label6.Caption = "Curah Hujan Deras" Label7.Caption = "Prediksi Banjir" ElseIf txt_CurahHujan >= 51.71 And txt_MukaAir >= 402.65 Then Label6.Caption = "Curah Hujan Sedang" Label7.Caption = "Prediksi Banjir" Else Label6.Caption = "Curah Hujan Gerimis" Label7.Caption = "Prediksi Tidak Banjir" End If End Sub

Gambar 4. Antar Muka Aplikasi Prediksi Banjir Algoritma SPADE

KNiST, 30 Maret 2017

Private Sub Command2_Click() txt_CurahHujan = "" txt_MukaAir = "" txt_CurahHujan.SetFocus End Sub

353

ISBN: 978-602-61242-0-3 Antar muka untuk pengguna (user) aplikasi prediksi banjir ditampilkan seperti berikut (Gambar 6). Antar muka aplikasi ini terdiri dari form input, proses hitung, proses hapus, dan tampil prediksi banjir/tidak.

Pengujian aplikasi prediksi banjir menggunakan metode blackbox. Pengujian blackbox untuk memastikan proses input dapat menjalankan proses yang tepat dan menghasilkan output sesuai dengan rancangan. Hasil pengujian blackbox adalah sebagai berikut (Tabel 3).

Gambar 6. Antar Muka Aplikasi Prediksi Banjir Algoritma PSO

Tabel 3. Hasil Uji Blackbox Form Algoritma SPADE Input/Event

Input indikator banjir

Klik Hitung

Klik Hapus

Form Algoritma PSO Hasil Uji

Proses

Output

Input Manual bentuk text

Menampilkan nilai input indikator banjir (suhu, kelembaban, kecepatan angina, curah hujan, dan lamanya hujan).

Sesuai

Cmd_Hitung

Menampilkan hasil indikator EWS dan prediksi banjir

Sesuai

Cmd_Hapus

Menampilkan form kosong setiap indikator input

Sesuai

Proses

Output

Hasil Uji

Input indikator banjir

Input Manual bentuk text

Menampilkan nilai input indikator banjir (curah hujan dan muka air).

Sesuai

Klik Hitung

Cmd_Hitung

Menampilkan hasil prediksi banjir

Sesuai

Cmd_Hapus

Menampilkan form kosong setiap indikator input

Sesuai

Input/Event

Klik Hapus

Sumber: Hasil Olah Penulis Pengujian dilakukan pada seluruh program utama, hasil pengujian blackbox yang meliputi input, proses dan output telah sesuai dengan rancangan.

KNiST, 30 Maret 2017

Berikut dilampirkan hasil pengolahan data (proses hitung) menggunakan aplikasi prediksi banjir algoritma SPADE dan algoritma PSO yang dibandingkan dengan hasil olah data tabel 4 dan tabel 5. 354

ISBN: 978-602-61242-0-3

Suhu ( ) 23 22,5 21 22,7 22,9 21,5 21,6 22,8 22,4 22,6 20 21,2 20,5 23,1 21,8 22,7

Tabel 4. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma SPADE Curah Lamanya Kelembaba Kec Angin Hasil Uji Hujan Hujan Prediksi n (knot) (EWS) (mm) (menit) 94 5 35,5 61 Nyala Banjir 95 5 36 120 Nyala Banjir 95 6 39 98 Nyala Banjir 93 6 40,2 11 Mati Tidak 94 7 45,1 85 Nyala Banjir 96 4 39,4 96 Nyala Banjir 96 5 40,3 100 Nyala Banjir 97 5 45,2 102 Nyala Banjir 94 6 36 15 Mati Tidak 96 7 39 145 Nyala Banjir 94 7 40,2 97 Nyala Banjir 95 7 45,5 87 Nyala Banjir 94 6 39,7 5 Mati Tidak 95 6 40,3 113 Nyala Banjir 97 7 40,3 87 Nyala Banjir 94 7 45,4 85 Nyala Banjir Sumber: Hasil Olah Penulis

Tabel 5. Hasil Proses Hitung Aplikasi Prediksi Banjir Algoritma PSO Nilai awal Posisi Partikel Kecepatan Nilai awal Curah Hujan (X) dengan partikel (V) Curah Hujan Muka Air (V) (X) PSO dengan PSO 25 51,710 1.82 662,15 Sedang 10 71,925 1.36 534,65 Sedang 11 99,397 2.54 55,.35 Sedang 15 128,820 1.75 515,75 Sedang 11 129,330 1.94 510,95 Sedang 39 130,880 2.82 525,95 Hujan Deras 20 133,380 3.08 513,05 Sedang 37 135,870 2.74 461,75 Hujan Deras 15 136,310 3.03 438,35 Sedang 0 137,580 3.15 402,65 Gerimis 25 145,770 3.38 465,95 Gerimis 24 160,500 1.78 469,85 Gerimis Sumber: Hasil Olah Penulis Hasil perbandingan uji EWS dan prediksi menunjukan kesesuaian data secara keseluruhan baik algoritma SPADE maupun algoritma PSO. 4. Simpulan Berdasarkan hasil pengujian terhadap aturan (rule) ditambahkan dengan pembuatan aplikasi prediksi banjir, maka dapat disimpulkan sebagai berikut: Observasi data dan pencarian pola optimal dengan menggunakan algoritma SPADE KNiST, 30 Maret 2017

dapat menghasilkan sebuah informasi baru, yaitu prediksi banjir dan peringatan dini. Prediksi banjir hasil algoritma PSO dapat dihasilkan dengan indikator curah hujan dan muka air. Aplikasi prediksi banjir mudah digunakan, hasil yang diberikan yaitu prediksi banjir menggunakan metode fuzzy logic, hasil algoritma SPADE maupun algoritma PSO.

355

ISBN: 978-602-61242-0-3 Referensi Ary, M. (2013). Penyelesaian Persoalan Transportasi Dengan Fuzzy Cost Menggunakan Pendekatan Basis Tree. Matematika Jurnal Teori dan Terapan Matematika, Vol 11, Juni 2013, ISSN 1412-5056, 1-16. Ary, M. (2017). Aplikasi Prediksi Banjir Dengan Algoritma SPADE. Informatika, Vol.2 April 2017 ISSN 2355-6579. Brits. (2009). A Niching Particle Swarm Optimizer. -: -. Irw/Nrl-DetikNews. (2011, November 2). Beginilah Cara Kerja Early Warning System Banjir Di Jakarta. Retrieved Februari 8, 2017, from Detik News: http://news.detik.com/berita/175874 2/beginilah-cara-kerja-earlywarning-system-banjir-di-jakarta

Implementasi. Widya.

Surabaya:

Guna

Sarnapi-PikiranRakyat. (2016, Oktober 30). Banjir Bandung Selatan Terus Meluas. Retrieved Februari 8, 2017, from Pikiran Rakyat: http://www.pikiranrakyat.com/bandungraya/2016/10/30/banjir-bandungselatan-terus-meluas-383456 Suwarningsih, W., & Suryawati, E. (2012). Pembangkitan Pola Data Cuaca Untuk Sistem Peringatan Dini Banjir. INKOM Jurnal Informatika, Sistem Kendali dan Komputer LIPI, 9-14.

Kusumadewi, S. (2002). Analisa Desain Sistem Fuzzy Menggunakan ToolBox Matlab, Edisi Pertama Cetakan Pertama. Yogyakarta: Graha Ilmu. Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy Untuk Pendukung Keputusan Edisi 2. Yogyakarta: Graha Ilmu. Mauliana, P. (2016). Prediksi Kemungkinan Banjir Sungai Citarum dengan Logika Fuzzy Hasil Algoritma Particle Swarm Optimization. Informatika, Vol 3, No 2, ISSN 2355-6579. Mohammed, J. Z. (2001). SPADE: An Efficient Algorithm for Mining Frequent Sequences, Machine Learning. Netherlands: Kluwer Academic Publishers. Rosita, A., Purwananto, Y., & Soelaiman, R. (2012). Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear. Jurnal Teknik ITS, A 211-215. Santoso, & Willy. Metaheuristik

KNiST, 30 Maret 2017

(2011). Metode Konsep dan

356